图像处理模型优化方法、装置及存储介质与流程

1.本发明涉及图像处理领域，尤其涉及一种图像处理模型优化方法、装置及存储介质。


背景技术：

2.随着科学技术的不断发展，图像处理模型的应用越来越广泛，例如，在人机交互领域，通过图像处理模型能够识别用户的手势、表情和动作等，以实现特定的操作和功能。
3.现有技术中，为了保护用户的个人信息，在图像处理模型的训练和使用过程中，需要对用户图像进行脱敏处理。但由于脱敏数据无法被任何手段识别，因此，脱敏数据无法用来对图像处理模型进行优化。


技术实现要素：

4.本技术实施例通过提供一种图像处理模型优化方法、装置及存储介质。
5.第一方面，本技术提供一种图像处理模型优化方法，所述方法包括：
6.获取用户图像；
7.对所述用户图像进行脱敏处理，得到与所述用户图像对应的第一脱敏数据；
8.从所述用户图像中提取与所述第一脱敏数据对应的打标数据，其中，所述打标数据为包含有打标信息的第二脱敏数据；
9.基于所述第一脱敏数据以及所述打标数据，对当前图像处理模型进行优化，得到优化后的图像处理模型。
10.可选地，所述对所述用户图像进行脱敏处理，得到与所述用户图像对应的第一脱敏数据之前，所述方法还包括：
11.将所述用户图像输入到所述当前图像处理模型中，得到所述当前图像处理模型输出的图像处理结果；
12.在所述图像处理结果表明图像处理结果不满足预设条件时，执行所述对所述用户图像进行脱敏处理，得到与所述用户图像对应的第一脱敏数据，以及所述从所述用户图像中提取与所述脱敏数据对应的打标数据的步骤。
13.可选地，所述第一脱敏数据的第一图像尺寸与所述用户图像的第二图像尺寸不同，所述基于所述脱敏数据以及所述打标数据，对当前图像处理模型进行优化，包括：
14.基于预设的适配网络，将所述第一脱敏数据的第一图像尺寸调整为所述第二图像尺寸；
15.基于所述第二图像尺寸的脱敏数据、以及所述打标数据，对所述当前图像处理模型进行优化。
16.可选地，所述从所述用户图像中提取与所述脱敏数据对应的打标数据，包括：
17.对所述用户图像进行边缘信息提取，得到边缘图像，并将所述边缘图像作为所述打标数据。
18.可选地，所述当前图像处理模型可以通过以下步骤获取：
19.获取初始训练数据集合，所述初始训练数据集合包括开源图像子集、测试图像子集，以及与每幅开源图像、每幅测试图像对应的标签信息；
20.基于所述初始训练数据集合对初始图像处理模型进行训练，得到训练好的初始图像处理模型；
21.获取历史时段内采集到的历史用户图像集合，并基于所述历史用户图像集合，对所述训练好的初始图像处理模型进行优化，得到所述当前图像处理模型。
22.可选地，所述对所述用户图像进行脱敏处理，得到与所述用户图像对应的第一脱敏数据，包括：
23.将所述用户图像进行时频转换，得到所述用户图像的频域数据；
24.基于预设的归一化策略对所述频域数据进行处理，得到所述第一脱敏数据。
25.第二方面，本技术还提供一种图像处理模型优化方法，应用于终端，所述方法包括：
26.获取用户图像；
27.对所述用户图像进行脱敏处理，得到与所述用户图像对应的第一脱敏数据；
28.从所述用户图像中提取与所述第一脱敏数据对应的打标数据，其中，所述打标数据为包含有打标信息的第二脱敏数据；
29.将所述第一脱敏数据以及所述打标数据发送至云端，以使云端基于所述第一脱敏数据以及所述打标数据，对当前图像处理模型进行优化。
30.第三方面，本技术还提供一种图像处理模型优化方法，应用于云端，所述方法包括：
31.接收终端发送的与用户图像对应的第一脱敏数据以及打标数据，其中，所述第一脱敏数据为对所述用户图像进行脱敏处理得到的数据，所述打标数据为从所述用户图像中提取的包含有打标信息的第二脱敏数据；
32.基于所述第一脱敏数据以及所述打标数据，对当前图像处理模型进行优化，得到优化后的图像处理模型。
33.第四方面，本技术还提供一种图像处理模型优化装置，包括：
34.第一获取模块，用于获取用户图像；
35.第一处理模块，用于对所述用户图像进行脱敏处理，得到与所述用户图像对应的第一脱敏数据；
36.第二处理模块，用于从所述用户图像中提取与所述脱敏数据对应的打标数据，其中，所述打标数据为包含有打标信息的第二脱敏数据；
37.第一优化模块，用于基于所述第一脱敏数据以及所述打标数据，对当前图像处理模型进行优化，得到优化后的图像处理模型。
38.第五方面，本技术还提供一种图像处理模型优化装置，应用于终端，所述装置包括：
39.第二获取模块，用于获取用户图像；
40.第三处理模块，用于对所述用户图像进行脱敏处理，得到与所述用户图像对应的第一脱敏数据；
41.第四处理模块，用于从所述用户图像中提取与所述第一脱敏数据对应的打标数据，其中，所述打标数据为包含有打标信息的第二脱敏数据；
42.发送模块，用于将所述第一托名数据以及所述打标数据发送至云端，以使云端基于所述第一脱敏数据以及所述打标数据，对当前图像处理模型进行优化。
43.第六方面，本技术还提供一种图像处理模型优化装置，应用于云端，所述装置包括：
44.接收模块，用于接收终端发送的与用户图像对应的第一脱敏数据以及打标数据，其中，所述第一脱敏数据为对所述用户图像进行脱敏处理得到的数据，所述打标数据为从所述用户图像中提取的包含有打标信息的第二脱敏数据；
45.第二优化模块，用于基于所述第一脱敏数据以及所述打标数据，对当前图像处理模型进行优化，得到优化后的图像处理模型。
46.第七方面，本发明实施例提供一种图像处理模型优化装置，包括有存储器，以及一个或者多个的程序，其中一个或者多个的程序存储于存储器中，且经配置以由一个或者多个的处理器执行所述一个或者多个的程序所包含的用于进行如第一方面提供的图像处理模型优化方法对应的操作指令。
47.第八方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面提供的图像处理模型优化方法对应的步骤。
48.本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
49.本技术实施例中的方案，在对图像处理模型进行优化的过程中，获取用户图像，一方面对用户图像进行脱敏处理，得到与用户图像对应的第一脱敏数据，另一方面从用户图像中提取出与脱敏数据对应的打标数据，其中，打标数据为包含有打标信息的第二脱敏数据；基于第一脱敏数据以及打标数据，对当前图像处理模型进行优化，得到优化后的图像处理模型。上述方案中，通过从用户图像中提取出打标数据，对第一脱敏数据进行打标，使得从用户图像中得到的第一脱敏数据能够用于对图像处理模型的优化，由于用户图像为用户在图像处理模型的实际使用过程中采集到的图像，因此，基于第一脱敏数据对图像处理模型进行优化使得图像处理模型更好的适用于当前的应用场景，进而提高了图像处理模型的准确度。
附图说明
50.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
51.图1为本说明书实施例提供的一种图像处理模型优化方法的流程图；
52.图2为本说明书实施例提供的一种图像处理模型优化的系统流程图；
53.图3为本说明书实施例提供的一种应用于终端的图像处理模型优化方法的流程图；
54.图4为本说明书实施例提供的一种应用于云端的图像处理模型优化方法的流程图；
55.图5为本说明书实施例提供的一种图像处理模型优化装置的示意图；
56.图6为本说明书实施例提供的一种应用于终端的图像处理模型优化装置的示意图；
57.图7为本说明书实施例提供的一种应用于云端的图像处理模型优化装置的示意图；
58.图8为本说明书实施例提供的另一种图像处理模型优化装置的示意图。
具体实施方式
59.本技术实施例通过提供一种图像处理模型优化方法、装置及存储介质，以提供一种有效的对模型处理模型进行优化优化的方案。
60.本技术实施例的技术方案总体思路如下：获取用户图像；对所述用户图像进行脱敏处理，得到与所述用户图像对应的第一脱敏数据；从所述用户图像中提取与所述脱敏数据对应的打标数据，其中，所述打标数据为包含有打标信息的第二脱敏数据；基于所述第一脱敏数据以及所述打标数据，对当前图像处理模型进行优化，得到优化后的图像处理模型。
61.本技术中的方案，通过从用户图像中提取出打标数据，对第一脱敏数据进行打标，使得从用户图像中得到的第一脱敏数据能够用于对图像处理模型的优化，由于用户图像为用户在图像处理模型的实际使用过程中采集到的图像，因此，基于第一脱敏数据对图像处理模型进行优化使得图像处理模型更好的适用于当前的应用场景，进而提高了图像处理模型的准确度。
62.为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
63.首先说明，本文中出现的术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
64.本说明书实施例提供了一种图像处理模型优化方法，如图1所示，该方法包括以下步骤：
65.步骤s101：获取用户图像；
66.步骤s102：对所述用户图像进行脱敏处理，得到与所述用户图像对应的第一脱敏数据；
67.步骤s103：从所述用户图像中提取与所述第一脱敏数据对应的打标数据，其中，所述打标数据为包含有打标信息的第二脱敏数据；
68.步骤s104：基于所述第一脱敏数据以及所述打标数据，对当前图像处理模型进行优化，得到优化后的图像处理模型。
69.本说明书实施例中的方案，可以应用于部署有图像处理模型的终端设备中，也可以应用于部署有图像处理模型的云端服务器中，还可以应用于由终端设备与云端服务器组成的系统中，这里不做限定。
70.举例来讲，本说明书实施例中的方案可以应用于车载视觉辅助系统中，车载视觉辅助系统搭载有图像处理模型，通过图像处理模型能够对车内人员的预设动作、手势等进行捕捉并进行识别，以实现对应的功能，从而提高车内人员的驾驶或乘坐感受。
71.为了便于说明，下面以上述车载视觉辅助系统中的图像处理模型为例，来对本说明书实施例提供的图像处理模型优化方法进行说明。
72.步骤s101中，在车内可以安装有图像采集装置，通过图像采集装置可以实时对车内用户的图像进行采集，其中，用户图像中可以包括用户的面部、手势等用于人机交互的交互信息。
73.步骤102中，在获取了用户图像之后，为了将用户图像作为对图像处理模型的优化数据，对用户图像进行脱敏处理，以去除用户图像中的敏感信息，得到第一脱敏数据。需要说明的是，脱敏后的数据是无法被任何手段进行复原和识别的，确保了用户信息不被泄漏。
74.本说明书实施例中，用户图像可以通过多种方式进行脱敏，这里不做限定。例如，通过对用户图像中像素点的像素值进行归一化处理来实现图像脱敏，或者，通过对用户图像的敏感区域进行剔除或变形来实现图像脱敏。
75.在一个实施例中，第一脱敏数据可以通过以下方式来获取：将所述用户图像进行时频转换，得到所述用户图像的频域数据；基于预设的归一化策略对所述频域数据进行处理，得到所述第一脱敏数据。
76.具体来讲，用户图像的时频变换可以通过多种方式实现，例如对用户图像进行傅里叶变换，得到用户图像的频域数据。在得到频域数据之后，可以直接对频域数据进行归一化处理，以得到第一脱敏数据，也可以在归一化处理前，对频域数据先进行处理，再对处理后的频域数据进行归一化处理，以得到第一脱敏数据。
77.其中，在对频域数据进行处理时，可以包括以下步骤：将频域数据中的高频信息进行剔除、打乱通道顺序、对相邻频域进行信息融合。在经过上述处理后，再根据预设的归一化策略进行归一化处理。
78.归一化策略可以根据实际需要进行选择，例如，预设的归一化策略可以为z-score归一化、min-max归一化等。
79.在一个实施例中，用户图像的尺寸为256*256*1，在经过脱敏处理后，得到尺寸为32*32*35的第一脱敏数据，其中，第一脱敏数据为无法可视化的图像，且通过第一脱敏数据无法复原出原始的用户图像。
80.由于第一脱敏数据已经无法可视化，为了能够使第一脱敏数据能够用于图像处理模型的优化，可以通过步骤s103从用户图像中提取出与脱敏数据对应的打标数据。
81.需要说明的是，为了保证用户的敏感信息不被泄漏，打标数据为包含有打标信息的第二脱敏数据。其中，打标信息可以根据图像处理模型的任务来确定。举例来讲，若当前任务为对用户图像进行手势识别，那么打标信息可以为用户图像中的手部特征信息，若当前任务为对用户图像进行表情识别，那么打标信息可以为用户图像中的面部特征信息。
82.从用户图像中提取与脱敏数据对应的打标数据，可以通过多种方式实现。例如，为了实现脱敏以及保留打标信息，可以先判断打标信息所对应的区域是否为与用户敏感信息相关的区域，例如，判断打标信息所对应的区域是否为用户的面部区域，若否，可以直接将敏感信息相关的区域进行剔除和遮盖，保留其他区域。若打标信息所对应的区域与敏感信息相关的区域一致，则可以将敏感信息进行变形，例如，仍以敏感信息所在区域为面部区域为例，若打标信息所对应的区域也为面部区域，则可以将面部区域变换为卡通风格，在保留了面部特征的同时使得用户身份无法进行辨认，从而保护用户信息。
83.在本说明书实施例中，步骤s103可以通过以下方式来实现：对所述用户图像进行边缘信息提取，得到边缘图像，并将所述边缘图像作为所述打标数据。
84.具体来讲，边缘信息提取的方式可以通过实际需要进行选择，例如，采用canny、roberts、sobel或prewitt等方式来进行边缘信息提取，得到包含有用户轮廓的二值图，即边缘图像。由于边缘图像仅包含用户的轮廓信息，因此边缘图像已经无法辨认用户身份，可以看作是脱敏图像，同时，边缘图像中的轮廓信息又可以用于可视化的打标操作，所以可以将边缘图像作为打标数据。
85.进一步的，步骤s104中，通过第一脱敏数据以及打标数据对当前图像处理模型进行优化，得到优化后的图像处理模型。由于第一脱敏数据是基于图像处理模型的实际应用场景所得到的数据，因此，通过第一脱敏数据和对应的打标数据进行调整优化，能够使优化后的模型更适用于当前的应用场景，有利于提高模型的准确度。
86.可选地，本说明书实施例中，为了有针对性的对当前图像处理模型进行优化，可以对用于进行模型优化的用户图像进行筛选，即并不是对全部采集到的用户图像均进行脱敏处理并用于模型优化，而是选取当前图像处理模型的输出结果存在误差的用户图像来对模型进行优化，这样有利于提高对这类用户图像的处理准确度。
87.在具体实施过程中，可以通过以下方式来实现：将所述用户图像输入到所述当前图像处理模型中，得到所述当前图像处理模型输出的图像处理结果；在所述图像处理结果表明图像处理结果不满足预设条件时，执行所述对所述用户图像进行脱敏处理，得到与所述用户图像对应的第一脱敏数据，以及所述从所述用户图像中提取与所述脱敏数据对应的打标数据的步骤。
88.具体来讲，预设条件用于表征图像处理结果处于正确范围内，预设条件可以根据实际需要进行设定。举例来讲，由于图像采集是实时进行的，可以基于预设帧数的相邻用户图像的图像处理结果来确定预设条件：将预设帧数的与用户图像顺次相邻的用户图像分别输入到图像处理模型中，得到每帧相邻用户图像的图像处理结果，比较用户图像与相邻帧图像的图像处理结果，若图像处理结果的差异度满足预设差异度，则表明图像处理结果满足预设条件，若差异度不满足预设差异度，则表明图像处理结果不满足预设条件。
89.以图像处理模型的任务为目标检测为例，在采集到用户图像时，将用户图像输入到图像处理模型进行目标检测，并输出目标检测结果，如将目标用标识框进行标注。同时，获取与用户图像顺次相邻的其他帧图像对应的目标检测结果，将用户图像以及相邻帧用户图像的目标检测结果进行比对，即，检测每帧图像中的标识框的标注位置。若用户图像中标记框的标注位置与相邻帧用户图像中标记框的标注位置之间的误差在预设误差范围内，则表明用户图像的图像处理结果满足预设条件，则无需对用户图像进行脱敏处理。相反，若用户图像标记框的标注位置与相邻帧用户图像中标记框的标注位置之间的误差超出了预设误差范围，则表明图像处理模型的处理结果出现了偏差，则需要将用户图像进行脱敏处理以及打标信息提取，以对图像处理模型进行优化。需要说明的是，在对图像处理模型进行优化时，可以在预设时段内获取图像处理出现偏差的第一脱敏数据集合以及对应的打标数据集合，预设时段可以根据实际需要进行设定，例如10min、1h、一周等。通过预设时段内获取到的第一脱敏数据集合以及对应的打标数据集合，对当前图像处理模型进行优化。
90.当然，预设条件还可以通过其他方式来确定，例如，根据用户的反馈操作来确定，
例如，若得到用户图像的图像处理结果后，若接收到用户反馈的处理错误的操作，则判定图像处理结果不满足预设条件。本领域技术人员可以根据实际需要进行设定，这里就不再一一列举了。
91.下面，对当前图像处理模型的获取过程进行说明。
92.本说明书实施例中，当前图像处理模型为当前用于图像处理的模型，是通过不断的历史优化所得到的。具体来讲，当前图像处理模型可以通过以下方式获取：获取初始训练数据集合，所述初始训练数据集合包括开源图像子集、测试图像子集，以及与每幅开源图像、每幅测试图像对应的标签信息；基于所述初始训练数据集合对初始图像处理模型进行训练，得到训练好的初始图像处理模型；获取历史时段内采集到的历史用户图像集合，并基于所述历史用户图像集合，对所述训练好的初始图像处理模型进行优化，得到所述当前图像处理模型。
93.具体来讲，初始训练数据集合中的开源图像子集可以为公开数据库获取到的图像集合，测试图像子集可以为根据图像处理模型的任务设定测试任务，并在执行测试任务的过程中所采集到的图像。由于初始训练数据集合是用来训练初始的图像处理模型的，此时，图像处理模型还并未投入应用，因此，初始训练数据集合中并不包含有用户的实际使用过程中的图像。
94.初始图像处理模型可以根据实际需要进行选择，例如，初始图像处理模型为cnn(convolutional neural networks,卷积神经网络)模型、r-cnn(region cnn，区域卷积神经网络)模型等，这里不做限定。通过初始训练数据集合来对初始图像处理模型进行迭代训练，逐步调整模型参数，直到迭代次数达到设定次数，或者模型输出的准确度达到设定准确度，则完成初始图像处理模型的训练过程，得到训练好的图像处理模型。
95.进一步的，将训练好的初始图像处理模型进行部署，即投入使用，并在使用过程中收集实际采集到的用户图像。需要说明的是，历史时段可以为训练好的初始图像处理模型投入使用的时刻到当前时刻之间的任意一个或多个时段。实际上，当前图像处理模型也是通过多个历史时段不断的优化来得到的，在模型优化的过程中，也可以是将历史时段内图像处理结果不满足预设条件的图像筛选出来，并进行脱敏处理和打标信息提取，基于这些数据来进行模型优化，当然，也可以将历史时段采集到的所有图像均进行脱敏处理和打标信息提取，以实现模型的优化，这里不做限定。
96.另外，本说明书实施例中，考虑到第一脱敏数据的第一图像尺寸有可能与用户图像的第二图像尺寸不同，例如，仍以上面提到的例子来说，用户图像原始的第二图像尺寸为256*256*1，第一脱敏数据的第一图像尺寸为32*32*35。由于图像处理模型的输入数据的尺寸是固定的，即为第二图像尺寸，为了能够使第一脱敏数据用于模型优化，本说明书实施例中，可以通过预设的适配网络，将第一脱敏数据的第一图像尺寸调整为第二图像尺寸，基于第二图像尺寸的脱敏数据以及对应的打标数据，对当前图像处理模型进行优化。
97.其中，适配网络的功能为将第一脱敏数据进行尺寸变换，将其尺寸变换为适用于图像处理模型的尺寸。适配网络进行尺寸变换的方式可以通过实际需要进行设置。
98.本说明书实施例中，在得到优化后的图像处理模型后，将当前图像处理模型替换为优化后的图像处理模型，以实现对图像处理模型的更新。
99.为了更好的理解本说明书实施例提供的图像处理模型优化方法，下面以图像处理
模型部署在汽车终端，图像处理模型优化在云端实现为例来进行说明。
100.请参考图2，在云端，先通过测试数据集合以及开源数据集合，通过模型训练得到图像处理模型，此时，图像处理模型为初始的图像处理模型，将初始的图像处理模型部署在终端，如部署在车载视觉辅助系统中。
101.终端在运行车载视觉辅助系统时，实时采集用户图像，采集到的用户图像不段被部署在终端的图像处理模型进行处理，得到图像处理结果，在图像处理结果出现偏差时，触发数据回流，具体的，终端将出现偏差的用户图像一方面进行脱敏处理，得到第一脱敏数据，另一方面进行边缘信息提取，得到用于打标的边缘数据，将第一脱敏数据以及边缘数据回流至云端。
102.进一步的，云端在接收到第一脱敏数据和边缘数据后，汇集到用户数据集合中，并通过适配网络对用户数据集合中的脱敏数据进行尺寸变换，基于对应的边缘数据进行模型训练，得到的优化后的图像处理模型，并将优化后的图像处理模型部署到终端。
103.循环执行上述步骤，实现端侧的图像处理模型不断的进行优化和更新，从而使图像处理模型能够适用于各种场景，提高了模型的准确性和泛化性。
104.基于同一发明构思，本说明书实施例还提供一种图像处理模型优化方法，应用于终端，如图3所示，该方法包括以下步骤：
105.步骤s301：获取用户图像；
106.步骤s302：对所述用户图像进行脱敏处理，得到与所述用户图像对应的第一脱敏数据；
107.步骤s303：从所述用户图像中提取与所述第一脱敏数据对应的打标数据，其中，所述打标数据为包含有打标信息的第二脱敏数据；
108.步骤s304：将所述第一脱敏数据以及所述打标数据发送至云端，以使云端基于所述第一脱敏数据以及所述打标数据，对当前图像处理模型进行优化。
109.关于上述方法的具体实现步骤，已在前面的描述中进行了详细说明，此处将不做详细阐述说明。
110.基于同一发明构思，本说明书实施例还提供一种图像处理模型优化方法，应用于云端，该方法包括以下步骤：
111.步骤s401：接收终端发送的与用户图像对应的第一脱敏数据以及打标数据；
112.其中，所述第一脱敏数据为对所述用户图像进行脱敏处理得到的数据，所述打标数据为从所述用户图像中提取的包含有打标信息的第二脱敏数据；
113.步骤s402：基于所述第一脱敏数据以及所述打标数据，对当前图像处理模型进行优化，得到优化后的图像处理模型。
114.关于上述方法的具体实现步骤，已在前面的描述中进行了详细说明，此处将不做详细阐述说明。
115.基于同一发明构思，本说明书实施例还提供一种图像处理模型优化装置，如图5所示，该装置包括：
116.第一获取模块501，用于获取用户图像；
117.第一处理模块502，用于对所述用户图像进行脱敏处理，得到与所述用户图像对应的第一脱敏数据；
118.第二处理模块503，用于从所述用户图像中提取与所述脱敏数据对应的打标数据，其中，所述打标数据为包含有打标信息的第二脱敏数据；
119.第一优化模块504，用于基于所述第一脱敏数据以及所述打标数据，对当前图像处理模型进行优化，得到优化后的图像处理模型。
120.可选地，所述装置还包括：
121.图像处理模块，用于将所述用户图像输入到所述当前图像处理模型中，得到所述当前图像处理模型输出的图像处理结果；
122.执行模块，用于在所述图像处理结果表明图像处理结果不满足预设条件时，执行所述对所述用户图像进行脱敏处理，得到与所述用户图像对应的第一脱敏数据，以及所述从所述用户图像中提取与所述脱敏数据对应的打标数据的步骤。
123.可选地，所述第一脱敏数据的第一图像尺寸与所述用户图像的第二图像尺寸不同，第一优化模块504，用于：
124.基于预设的适配网络，将所述第一脱敏数据的第一图像尺寸调整为所述第二图像尺寸；
125.基于所述第二图像尺寸的脱敏数据、以及所述打标数据，对所述当前图像处理模型进行优化。
126.可选地，第二处理模块503，用于：
127.对所述用户图像进行边缘信息提取，得到边缘图像，并将所述边缘图像作为所述打标数据。
128.可选地，所述当前图像处理模型可以通过以下步骤获取：
129.获取初始训练数据集合，所述初始训练数据集合包括开源图像子集、测试图像子集，以及与每幅开源图像、每幅测试图像对应的标签信息；
130.基于所述初始训练数据集合对初始图像处理模型进行训练，得到训练好的初始图像处理模型；
131.获取历史时段内采集到的历史用户图像集合，并基于所述历史用户图像集合，对所述训练好的初始图像处理模型进行优化，得到所述当前图像处理模型。
132.可选地，第一处理模块502，用于：
133.将所述用户图像进行时频转换，得到所述用户图像的频域数据；
134.基于预设的归一化策略对所述频域数据进行处理，得到所述第一脱敏数据。
135.关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
136.基于同一发明构思，本说明书实施例还提供一种图像处理模型优化装置，应用于终端，如图6所示，该装置包括：
137.第二获取模块601，用于获取用户图像；
138.第三处理模块602，用于对所述用户图像进行脱敏处理，得到与所述用户图像对应的第一脱敏数据；
139.第四处理模块603，用于从所述用户图像中提取与所述第一脱敏数据对应的打标数据，其中，所述打标数据为包含有打标信息的第二脱敏数据；
140.发送模块604，用于将所述第一托名数据以及所述打标数据发送至云端，以使云端
基于所述第一脱敏数据以及所述打标数据，对当前图像处理模型进行优化。
141.具体来讲，终端可以是移动端、汽车端等，终端上部署有图像处理模型，能够对终端采集到的用户图像进行处理。
142.关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
143.基于同一发明构思，本说明书实施例还提供一种图像处理模型优化装置，如图7所示，应用于云端，该装置包括：
144.接收模块701，用于接收终端发送的与用户图像对应的第一脱敏数据以及打标数据，其中，所述第一脱敏数据为对所述用户图像进行脱敏处理得到的数据，所述打标数据为从所述用户图像中提取的包含有打标信息的第二脱敏数据；
145.第二优化模块702，用于基于所述第一脱敏数据以及所述打标数据，对当前图像处理模型进行优化，得到优化后的图像处理模型。
146.关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
147.基于同一发明构思，本说明书实施例还提供一种图像处理模型优化装置，如图8所示，包括存储器808、处理器802及存储在存储器808上并可在处理器802上运行的计算机程序，所述处理器802执行所述程序时实现前文所述图像处理模型优化方法的任一方法的步骤。
148.其中，在图8中，总线架构(用总线800来代表)，总线800可以包括任意数量的互联的总线和桥，总线800将包括由处理器802代表的一个或多个处理器和存储器808代表的存储器的各种电路链接在一起。总线800还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口806在总线800和接收器801和发送器803之间提供接口。接收器801和发送器803可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器802负责管理总线800和通常的处理，而存储器808可以被用于存储处理器802在执行操作时所使用的数据。
149.另外，本发明实施例还提供一种前端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前文第二方面所述的图像处理模型优化方法的任一方法的步骤。
150.对应的，本发明实施例还提供一种云端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前文第三方面所述的图像处理模型优化方法的任一方法的步骤。
151.基于同一发明构思，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文所述图像处理模型优化方法的任一方法的步骤。
152.本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用
于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的设备。
153.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令设备的制造品，该指令设备实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
154.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
155.尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
156.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。